Modelli, software e raccolte di dati per scegliere tra risposte predefinite, aiutare gli assistenti di IA a svolgere compiti e riconoscere volti modificati dall’IA. Ogni voce indica quali materiali sono pubblici.
Piccoli modelli che leggono una situazione, scelgono una delle risposte disponibili e assegnano una probabilità a ciascuna. Deem-4B lavora in inglese, Karar-4B in turco e Wähler-4B in tedesco.
Tutti e tre sono stati addestrati a partire da Intern-Decision-4B, prima sulle tre lingue insieme e poi su ciascuna lingua separatamente.
Ogni modello gira sul processore principale di un portatile con circa 3 GB di memoria. I confronti con Kev-4B sono riportati sotto.
Deem-4B risponde in inglese a domande con opzioni fisse e stima la probabilità di ogni risposta.
Sulle domande in inglese di jevalt-bench escluse dall’addestramento, Deem-4B raggiunge il 94,7% di risposte corrette, contro l’84,7% di Kev-4B.
Karar-4B risponde in turco a domande con opzioni fisse e stima la probabilità di ogni risposta.
Sulle domande in turco di jevalt-bench escluse dall’addestramento, Karar-4B raggiunge il 96,8% di risposte corrette, contro l’87,1% di Kev-4B.
Wähler-4B risponde in tedesco a domande con opzioni fisse e stima la probabilità di ogni risposta.
Sulle domande in tedesco di jevalt-bench escluse dall’addestramento, Wähler-4B raggiunge il 92,0% di risposte corrette, contro l’81,1% di Kev-4B.
Gli otto rilevatori addestrati della tesi magistrale, con codice, mappe di calore e due giochi nel browser. L’articolo collegato è stato accettato a UBMK 2026.
Otto modelli pubblicati. Codice con licenza MIT; file dei modelli addestrati con licenza CC BY-NC 4.0 secondo i termini di FaceForensics++, una raccolta pubblica di video con volti reali e modificati.
Eldalambë aiuta a leggere e scrivere Quenya e Sindarin, le lingue elfiche create da Tolkien, e la loro scrittura Tengwar. Un piccolo modello controlla le risposte con dizionari e regole grammaticali.
Demo su invito. Codice, dati, file dei modelli addestrati e benchmark sono privati; solo l’articolo è pubblico.
Tholos-2B è il piccolo modello alla base degli assistenti, addestrato a partire da MiniCPM5-2B su registrazioni di attività completate.
Licenza Apache-2.0.
Sulla stessa scheda grafica, una Kaggle T4, Tholos-2B supera 137 delle 160 attività di Tholos-Bench, contro le 112 di MiniCPM5-2B. Sullo stesso normale processore (CPU), Tholos-2B ne supera 134, contro le 117 di MiniCPM5-2B.
Un articolo accettato che confronta nove modi di addestrare un rilevatore di deepfake: l’accuratezza, la corrispondenza tra il grado di sicurezza e i risultati, e le parti del volto su cui si basa.
Accettato a UBMK 2026. La versione finale sarà pubblicata su IEEE Xplore; il DOI non è ancora disponibile.
La tesi confronta diversi modi di addestrare modelli che riconoscono volti modificati dall’IA nei video. Le mappe di calore mostrano le zone del volto che hanno influito su ogni risultato.
Tesi di laurea magistrale, TED University, 2025. Relatrice: Venera Adanova.
L’articolo studia Eldalambë, un assistente per le lingue elfiche inventate da Tolkien, Quenya e Sindarin. La versione adottata, Pro-Preserve, scrive la frase attesa in 40 richieste di test su 100, rispetto alle 21 della versione precedente, Pro2508, e riconosce le parole di Tolkien in 277 casi su 300, rispetto ai 259 di Pro2508.
Preprint pubblico senza revisione paritaria. Il codice, i dati, i modelli e il benchmark di Eldalambë sono privati.
reevesagents esegue fianco a fianco più assistenti di programmazione basati sull’IA sul proprio computer, con un assistente che coordina il gruppo.
Un solo pacchetto npm, licenza Apache-2.0, interfaccia in 10 lingue.
7000download su npm
Dati alUltra Mod riunisce dieci estensioni per Claude Code, l’assistente di programmazione di Anthropic. Mostra i limiti di utilizzo e lo spazio occupato nella memoria di lavoro del modello, chiede conferma prima di rm -rf o git reset --hard e può annullarli, impedisce al modello di leggere file .env e altri segreti, e registra le operazioni sotto ogni risposta.
Licenza MIT. Nessuna chiamata di rete. Circa 0 token del modello sempre attivi.
Tholos offre agli assistenti di IA sul proprio computer uno spazio di lavoro condiviso con tabelle, note e attività. Per ogni azione, le regole stabiliscono se viene eseguita, resta in attesa di approvazione o viene bloccata.
Un villaggio medievale nel browser dove i tre modelli decisionali scelgono come reagiscono gli abitanti a tempeste, incendi, mercati e lupi.
JevOss usa un formato di richiesta comune, Jev API, per verificare se un modello decisionale risponde correttamente e assegna probabilità attendibili.
jevalt-bench raccoglie domande di prova e risultati per confrontare i modelli decisionali di JevAlt con altri modelli.
Tholos-Bench contiene 160 test per assistenti di IA, valutati in base alla corrispondenza tra il lavoro svolto e il compito richiesto.
jevalt-data contiene esempi di addestramento per i modelli decisionali di JevAlt in inglese, turco e tedesco.
emberwick-videos raccoglie scene registrate da Emberwick, la simulazione di un villaggio nel browser.
Questo insieme di dati contiene sequenze registrate di azioni usate per addestrare Tholos-2B, il modello per le attività degli assistenti di Tholos.
Un modello di deep learning addestrato su una raccolta di poesie turche per un corso universitario di elaborazione del linguaggio.
Valutazione: A. Codice e articolo sono privati.
Un’app mobile che applica il deep learning e i dati dei sensori all’agricoltura, sviluppata a contratto con enti pubblici.
Il codice è privato.
La piattaforma esegue i progetti pubblici, controlla i servizi, invia avvisi e conserva copie di sicurezza cifrate fuori sede. Protezioni di rete e configurazione sono definite nel codice.
Privata.
